V každom z príkladov napíšte
Príklad jedného z týchto troch typov bude na skúške ako súčasť kostry.
Príklad 1. Zistite, či je stacionárny a invertovateľný proces
\[x_t = 1 + 0.2 x_{t-1} - 0.3 x_{t-2} + u_t - 0.8 u_{t-1} + 0.7 u_{t-2} - 0.1 u_{t-3}\]
Príklad 2. Zistite, či je stacionárny a invertovateľný proces
\[(1-0.2 L + 0.3 L^2 - 0.1 L^2)x_t = 2 + (1 + 0.1 L + 0.8 L^2)u_t\]
Príklad 3. Zistite, či je stacionárny a invertovateľný proces, ktorý vznikol odhadovaním ARMA modelu pomocou funkcie sarima
v R-ku:
Pre dáta v premennej y
zisťujeme, či je prítomný jednotkový koreň alebo nie. Dostaneme nasledovný výstup:
plot(y)
library(urca)
summary(ur.df(y, type="drift", selectlags = "BIC", lags=5))
##
## ###############################################
## # Augmented Dickey-Fuller Test Unit Root Test #
## ###############################################
##
## Test regression drift
##
##
## Call:
## lm(formula = z.diff ~ z.lag.1 + 1 + z.diff.lag)
##
## Residuals:
## Min 1Q Median 3Q Max
## -2.54346 -0.57431 0.01852 0.57006 2.43266
##
## Coefficients:
## Estimate Std. Error t value Pr(>|t|)
## (Intercept) 17.83884 0.87601 20.364 < 2e-16 ***
## z.lag.1 -1.77832 0.08703 -20.433 < 2e-16 ***
## z.diff.lag1 1.07634 0.03183 33.810 < 2e-16 ***
## z.diff.lag2 0.42108 0.06663 6.319 1.83e-09 ***
## ---
## Signif. codes: 0 '***' 0.001 '**' 0.01 '*' 0.05 '.' 0.1 ' ' 1
##
## Residual standard error: 0.9867 on 190 degrees of freedom
## Multiple R-squared: 0.9283, Adjusted R-squared: 0.9272
## F-statistic: 820.3 on 3 and 190 DF, p-value: < 2.2e-16
##
##
## Value of test-statistic is: -20.4333 208.7609
##
## Critical values for test statistics:
## 1pct 5pct 10pct
## tau2 -3.46 -2.88 -2.57
## phi1 6.52 4.63 3.81
Príklad tohto typu bude súčasťou kostry na skúške. Otázky sú vždy rovnaké ako v príklade 1.
Popis dát z helpu: The sales time series BJsales and leading indicator BJsales.lead each contain 150 observations.
library(datasets)
y <- BJsales
plot(y)
Krok 1 Vidíme, že v dátach je trend, takže pred hľadaním ARMA modelu ich určite treba zdiferencovať. Zistite, či diferencie už môžeme použiť alebo ich treba zdiferencovať ešte raz.
Krok 2 Pre vhodné diferencie dát nájdite ARMA model v tom tvare, že budete hľadať ARIMA model pre pôvodné dáta (teda sarima
bude v tvare sarima(y, ...)
). Požiadavky: dobré rezíduá, stacionárny a invertovateľný.
ARIMA(p,k,q)
model ste odhadli?Nájdite ARIMA model pre dáta:
library(datasets)
y <- window(WWWusage, start=1, end=70)
Popis dát z helpu: A time series of the numbers of users connected to the Internet through a server every minute.
Nájdite ARIMA model pre dáta:
library(astsa)
y <- window(log(oil), end=2008)
Popis dát z helpu: Crude oil, WTI spot price FOB (in dollars per barrel), weekly data from 2000 to mid-2010.
Nájdite ARIMA model pre dáta:
library(astsa)
y <- log(gnp)
Popis dát z helpu: Quarterly U.S. GNP from 1947(1) to 2002(3).